面向大语言模型测试时扩展的可解释自适应采样

论文提出一种轻量级模糊控制器，根据估计的提示复杂度和模型置信度，为每个问题动态分配测试时采样预算。作者在问答和数学推理任务上，与 best-of-N、计算感知扩展及自确定性基线进行对比；结果显示，该方法在减少平均采样次数的同时优于多个基线，并接近匹配选择器的满预算控制。